Coefficient de détermination

En statistique, le coefficient de détermination, noté Modèle:Math ou Modèle:Math, est une mesure de la qualité de la prédiction d'une régression linéaire.

Il est défini par :

$R^{2}=1-{\frac {\sum _{i=1}^{n}(y_{i}-{\hat {y_{i}}})^{2}}{\sum _{i=1}^{n}(y_{i}-{\bar {y}})^{2}}}$

où Modèle:Math est le nombre de mesures, $y_{i}$ la valeur de la mesure Modèle:N°, ${\hat {y_{i}}}$ la valeur prédite correspondante et ${\bar {y}}$ la moyenne des mesures.

Dans le cas d'une régression linéaire univariée (une seule variable prédictive), on montre que la variance (totale) SST est la somme de la variance expliquée par la régression SSE et de la moyenne des carrés des résidus SSR, de sorte que :

${\frac {\mathrm {SSE} }{\mathrm {SST} }}={\frac {\mathrm {SST} -\mathrm {SSR} }{\mathrm {SST} }}={\frac {\sum _{i=1}^{n}({\hat {y_{i}}}-{\bar {y}})^{2}}{\sum _{i=1}^{n}(y_{i}-{\bar {y}})^{2}}}=1-{\frac {\sum _{i=1}^{n}(y_{i}-{\hat {y_{i}}})^{2}}{\sum _{i=1}^{n}(y_{i}-{\bar {y}})^{2}}}=R^{2}$

c'est-à-dire que le coefficient de détermination est alors le rapport de la variance expliquée par la régression SSE sur la variance totale SST.

Le coefficient de détermination est le carré du coefficient de corrélation linéaire Modèle:Math entre les valeurs prédites ${\hat {y_{i}}}$ et les mesures $y_{i}$ :

$R^{2}=corr({\hat {y}},y)^{2}$

Dans le cas univarié, on montre que c'est aussi le carré du coefficient de corrélation entre les valeurs $x_{i}$ de la variable prédictive et les mesures $y_{i}$. C'est une conséquence immédiate de la relation : $\sum _{i=1}^{n}({\hat {y_{i}}}-y_{i})^{2}=(1-R^{2})\sum _{i=1}^{n}({\hat {y_{i}}}-{\bar {y}})^{2}$ démontrée ici et ici.

La propriété précédente permet de voir le coefficient de détermination comme une généralisation du coefficient de corrélation au cas d'une régression linéaire multivariée.

Voir aussi

Bibliographie

• Modèle:Ouvrage.

Article connexe

• Modèle:Lien

Liens externes

• Modèle:Fr Un débat sur le thème "Coefficient de détermination et régression non linéaire"